自动网生成的深层智能凸状网络用于ECG分类
概括
本研究介绍了层wise凸定理和AutoNet算法,以自动设计高效的深度神经网络. 自动网络LCN的性能优于使用更少参数的最先进模型,从而降低了模型发现成本.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 神经网络的设计往往是一个耗时的试错过程.
- 深度神经网络损失函数通常非凸,使优化复杂化.
研究的目的:
- 提出一个新的定理,确保神经网络中的层wise凸度.
- 开发一种自动化算法,用于生成分层凸网络 (LCN).
主要方法:
- 介绍了分层凸定理,将层限制为过度确定的非线性系统.
- 开发了AutoNet算法,用于端到端生成LCNs.
- 对ECG和非ECG基准数据集进行评估的AutoNet-LCNs.
主要成果:
- 与最先进的模型相比,AutoNet-LCNs在五个基准数据集上实现了更高的性能.
- 在不到2个GPU小时内,网络针对每个数据集进行了定制,而无需手动微调.
- 由此产生的网络利用了现有模型参数的不到5%.
结论:
- 自动网-LCN方法显著降低了模型发现成本.
- 这种方法使得高效的深度学习模型培训,即使在资源有限的环境中.
- 层相凸定理为自动神经网络设计提供了坚实的基础.
